在大模型技术快速演进的背景下，软件开发正经历从“代码书写驱动”向“智能语义驱动”的范式转型。AI Coding 作为这一转型的核心形态，依托大语言模型的理解、生成与推理能力，使开发者能够通过自然语言表达需求，由 AI 协同完成代码设计、实现与优化。这种新模式正在显著降低编程门槛、提升开发效率，并推动软件工程进入智能协作时代。

本系列课程《AI Coding入门与实战》由 科大讯飞 与 CSDN 合作推出，并在“AI大学堂”平台面向公众开放。课程以大模型技术和AI Coding为基础，以真实开发案例为载体，系统讲解 AI Coding（iFlyCode） 的理论框架、技术原理与工程实践场景。在此特别感谢科大讯飞在大模型与智能编程工具领域的技术支持，以及 CSDN 在开发者生态建设方面的持续推动，使该课程得以面向更广泛学习者。

我们诚挚建议对人工智能编程、智能开发工具以及未来软件工程形态感兴趣的学习者，前往 AI大学堂平台 系统学习本系列课程。课程涵盖从概念认知、工具使用到项目实践的完整体系，适合高校学生、科研人员及工程开发者持续进阶。 学习者可在 AI大学堂官方网站或课程平台中搜索课程名称：

代码开源地址：

在这里插入图片描述

本课是《AI Coding入门与实战》系列中AI Coding + 网络安全 + 知识图谱工程化实践的核心课程，围绕 “如何利用 iFlyCode 完成从数据采集 → 知识抽取 → 图谱构建 → 可视化系统开发” 的完整链路展开，属于典型的AI辅助全流程知识工程实践范式。课程不仅覆盖知识图谱基础理论，还重点展示大模型编程工具在安全领域知识建模中的实际应用能力。课程目录如下：

在这里插入图片描述

在这里插入图片描述

文章目录

一.课程学习目标

1.课程概况

该课程系统讲解AI Coding入门及实战应用内容，涵盖AI Coding基本概念、主流AI Coding工具及应用。课程以项目驱动为导向，基于科大讯飞iFlyCode工具，从数据分析、网页制作、图像处理、桌面应用编程、网站开发、科学研究编程等经典场景，详细讲解大模型赋能AI Coding的过程及用法，逐步培养初学者掌握AI辅助编程的能力，帮助其实现从基础入门到综合应用的跨越。课程兼顾理论与实践，注重工具操作、案例分析和编程思维的培养，旨在让大家真正能在编程开发、科研与工作中高效使用AI Coding，建立起AI Coding从零到一的过程。

本课程从 AI Coding 工具 iFlyCode 出发，系统讲解知识图谱构建的基本理论框架，并将其与网络安全领域中的威胁情报知识建模任务进行融合。从技术层面看，本课覆盖知识图谱构建中的关键环节，包括数据采集、数据预处理、实体识别、关系抽取、知识融合与可视化系统开发。这些任务传统上依赖多种开发工具和复杂代码框架，而课程通过 iFlyCode 实现流程统一化，使开发者更多聚焦于语义建模与任务逻辑，而非底层实现细节。这一模式体现了 AI Coding 在知识工程中的生产力转变价值。

在这里插入图片描述

2.实战效果

课程最终展示一个融合了数据分析、可视化分析和网页系统开发的综合性智能应用。该成果表明，iFlyCode 不仅能生成算法代码，还能够参与完整系统开发，包括数据处理脚本、图结构构建代码、D3 可视化前端代码等。从知识工程视角来看，本课的实战效果体现为“结构化知识自动生成 + 图形化知识呈现”的双重融合。这种融合模式使知识图谱从“数据结构”转化为“可交互知识系统”，为安全分析、威胁溯源和态势理解提供支持，也反映了 AI Coding 技术在复杂系统开发中的跨层协同能力。

在这里插入图片描述

二.知识图谱概念与基础

1.知识图谱的基本定义

知识图谱是一种以图结构表示语义知识的形式化模型，通过“实体—关系—实体”三元组刻画现实世界中的结构化知识。其核心在于语义表达能力，通过属性、关系及逻辑规则支持语义推理。与传统数据库相比，知识图谱强调关系建模与语义联通能力。

在安全领域中，知识图谱能够将分散的威胁情报数据（APT组织、漏洞、攻击技术、攻击目标等）转化为可推理知识结构，从而支持攻击路径分析、威胁模式识别和关联分析。这种表达方式为安全智能分析提供了语义基础。

在这里插入图片描述

2.知识图谱的基本组成

知识图谱由实体、属性、关系三类核心要素构成。其中实体代表客观对象，属性描述实体特征，关系刻画实体之间的语义联系。在系统实现层面，这三类元素构成图数据库或图结构数据的基础。

在这里插入图片描述

在这里插入图片描述

3.实体识别的基本定义

在安全知识图谱中，实体类型包括APT组织、恶意软件、漏洞编号、攻击技术、受害行业等；关系包括“利用漏洞”“攻击目标”“使用工具”等。这些元素共同构成威胁行为知识网络，是后续安全推理与态势分析的基础结构。

在这里插入图片描述

4.关系抽取的基本定义

关系抽取（Relation Extraction, RE） 是指从文本中识别实体间存在的语义关系（如“属于”“位于”“创立于”等），是知识三元组〈实体1，关系，实体2〉构建的关键环节。

在这里插入图片描述

5.实体对齐和实体消歧

下面描述实体对齐和实体消歧的基本概念。

在这里插入图片描述

6.知识图谱构建的常用工具与框架

本课程主要利用AI辅助前端框架构建知识图谱。

在这里插入图片描述

三.基于iFlyCode的唐诗图谱可视化分析

1.iFlyCode知识图谱开发的基本流程

课程首先通过“唐诗知识图谱”案例展示 iFlyCode 的标准开发流程。该流程包括需求理解、提示词构建、代码生成、知识图谱构建、迭代优化和系统运行六个阶段。这种流程本质上将软件开发从“代码驱动”转向“语义驱动”，即通过语言表达直接参与系统构建。

在这里插入图片描述

2.唐诗知识图谱可视化分析

在此阶段，系统通过 NetworkX 构建图结构，并进行可视化输出。可视化的意义不仅在于图形呈现，而在于通过结构分析揭示知识之间的语义联系。该部分展示了知识图谱可视化在知识探索中的作用：用户可以通过图形结构识别语义中心节点、关系密集区域以及知识聚类现象。这一分析方式为后续威胁图谱分析提供技术类比。

在这里插入图片描述

3.代码演示与优化

该案例体现了 iFlyCode 在知识工程中的可控性与结构生成能力，开发者通过提示词定义实体类别、关系类型和数据结构，系统自动生成 Python 脚本完成数据处理与图谱构建。这种模式为后续安全图谱构建提供方法论基础。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四.基于iFlyCode的威胁情报自动采集与预处理

1.威胁情报基础知识

课程引入 MITRE ATT&CK 作为标准语义框架，用于指导威胁数据的结构化采集。ATT&CK 提供攻击战术、技术与程序（TTPs）标准模型，使威胁数据具备统一语义标签。该框架在知识图谱构建中承担“本体层”角色，为后续实体识别与关系抽取提供标签体系基础，是安全知识图谱语义一致性的关键保障。

在这里插入图片描述

2.威胁情报自动采集

通过 iFlyCode 自动生成网页解析与数据抓取代码，实现从 ATT&CK 网站获取技术描述数据。采集过程中出现空值问题，课程通过分析网页 DOM 结构与提示词优化进行修正，说明 AI Coding 并非“自动完成”，而需要开发者参与语义引导。该过程体现人机协同编程模式。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

3.威胁情报预处理

数据预处理（Data Preprocessing）是指在数据分析、建模或知识图谱构建之前，对原始数据进行清洗、转换、规范化和特征化的过程。其目的是提高数据质量，消除噪声与冗余，统一格式与语义，以确保后续模型训练和知识推理的有效性与稳定性。

在这里插入图片描述

五.基于iFlyCode的实体识别与关系抽取

1.威胁知识抽取基本流程

课程系统讲解威胁知识抽取的完整流程，包括数据清洗、标签体系定义、实体识别和关系抽取。这一流程体现从文本到结构化知识的转化机制。该流程在 AI Coding 环境中由提示词驱动，大模型根据标签集完成结构化信息抽取。这种方式区别于传统训练模型方式，更偏向于语义提示工程范式。

在这里插入图片描述

2.威胁知识实体识别

通过 CSV 数据进行句级实体识别，系统识别APT组织、攻击工具、漏洞等实体，并进行标准编号归一化。这种标准化步骤对知识图谱融合至关重要。其输出字段设计体现知识工程规范，包含上下文、标准ID和来源链接等元数据，为后续知识融合提供可靠支撑。

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

3.威胁知识关系抽取

关系抽取围绕“组织—攻击—目标”模式展开，抽取组织与工具、漏洞、目标之间的关系。该步骤使知识从“实体集合”转变为“语义网络”，是图谱构建的核心环节。AI Coding 在此阶段承担结构化模式生成角色。

在这里插入图片描述
在这里插入图片描述

六.基于iFlyCode的安全知识图谱构建实战

1.安全知识图谱构建

课程通过 HTML+CSS+JavaScript+D3 实现知识图谱网页系统构建。D3 力导向图支持节点拖拽、缩放、邻居高亮、搜索等功能，使知识图谱具备交互式分析能力。

在这里插入图片描述

在这里插入图片描述

2.系统演示

系统运行结果展示知识图谱在浏览器中的动态交互效果，体现数据到应用系统的完整转化。该系统可用于威胁关联分析、知识搜索和态势认知，展示安全知识图谱的工程应用形态。

在这里插入图片描述

3.知识搜索

搜索功能实现语义定位与节点聚焦，是图谱系统可用性的关键。该功能体现知识图谱从“静态展示”向“交互式知识服务”的转变。

在这里插入图片描述

七.课程总结与课后实践作业

本课完整展示了 iFlyCode 在知识图谱构建中的全流程赋能能力，从数据采集、实体抽取到系统开发均实现 AI 辅助。课程证明 AI Coding 不仅适用于算法开发，更适用于复杂系统工程。在安全领域，该模式有助于快速构建威胁知识系统，提升情报分析效率。课程总结如下：

  • 知识图谱基础知识
  • 基于iFlyCode的唐诗图谱可视化分析
  • 基于iFlyCode的威胁情报自动采集
  • 基于iFlyCode的实体识别与关系抽取
  • 基于iFlyCode的安全知识图谱构建

科大讯飞的AI大学堂开源视频地址，强烈推荐大家去学习。

本课程的开源实践（GitHub: AI-Coding-iFlyCode）为后续教学与研究提供了宝贵的资产。

本次课程的作业如下：

  • 课程作业1：请了解知识图谱（实体识别与关系抽取）的基础知识。
  • 课程作业2：请结合课程内容利用iFlyCode自动采集网络数据集，为后续知识图谱构建作支撑。
  • 课程作业3：请利用iFlyCode自动抽取威胁情报实体和关系（中文语料）。
  • 课程作业4：请利用iFlyCode开发网络威胁知识图谱，并包含可视化分析、搜索与关联功能。

在这里插入图片描述

在这里插入图片描述

Eastmount已正式开启《AI Coding》专栏，将持续发布关于大模型辅助编程、国产AI IDE工具评测、AI自动化开发实战等系列内容，欢迎关注专栏，一起探索智能开发的前沿趋势，不断学习与精进。基础性文章，希望对您有所帮助，写得不好的地方还请海涵！

2024年4月28日是Eastmount的安全星球——『网络攻防和AI安全之家』正式创建和运营的日子，该星球目前主营业务为 安全零基础答疑、安全技术分享、AI安全技术分享、AI安全论文交流、威胁情报每日推送、网络攻防技术总结、系统安全技术实战、面试求职、安全考研考博、简历修改及润色、学术交流及答疑、人脉触达、认知提升等。下面是星球的新人券，欢迎新老博友和朋友加入，一起分享更多安全知识，比较良心的星球，非常适合初学者和换安全专业的读者学习。

目前收到了很多博友、朋友和老师的支持和点赞，尤其是一些看了我文章多年的老粉，购买来感谢，真的很感动，类目。未来，我将分享更多高质量文章，更多安全干货，真心帮助到大家。虽然起步晚，但贵在坚持，像十多年如一日的博客分享那样，脚踏实地，只争朝夕。继续加油，再次感谢！

(By:Eastmount 2026-02-12 周四写于贵阳 http://blog.csdn.net/eastmount/ )

# 人工智能 # 知识图谱
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

C++23 全语法（1）：程序基本构成与预处理语法

本文系统介绍C++23标准下程序基础构成与预处理语法。主要内容包括：1) 程序入口main函数的两种标准写法及其语法规则；2) 单行与多行注释语法；3) C++23模块化编程的导出与导入机制。预处理部分详细讲解#include头文件包含、#define宏定义、条件编译等指令，并补充#pragma、#line等特殊指令的用法。全文通过最小可运行代码示例，完整呈现C++程序基础结构与预处理核心语法，为

avatar 2048 AI社区

软件开发生命周期已死

每个阶段都有自己的工具、仪式和产业链：Jira 管需求，Figma 管设计，VS Code 管编码，Jest 管测试，GitHub 管审查，AWS 管部署，Datadog 管监控。你给出方向，智能体先做一个版本，你看一眼，调整，再试另一种方案。当受众不再是需要跨流水线协调的人类，而是直接消费上下文的智能体时，Jira 就从项目管理工具变成了上下文仓库——而且是个很糟糕的仓库。未来的可观测性不是仪表

avatar 2048 AI社区
cover

[拆解LangChain执行引擎]支持自然语言查询的长期存储

avatar 2048 AI社区